2025年AI大模型行业研究报告：DeepSeek大模型的崛起与行业变革

本篇文章的部分核心观点、图表及数据，出自平安证券于2025年2月7日发布的报告《AI动态跟踪系列（四）：DeepSeek引发广泛关注，大模型应用落地将加速》，如需获得原文，请前往文末下载。

近年来，人工智能（AI）领域的发展呈现出爆发式增长，尤其是大模型技术的突破，为行业带来了深远的影响。DeepSeek作为国内领先的AI企业，其发布的DeepSeek-V3和DeepSeek-R1大模型在性能、成本和应用落地方面取得了显著进展，引发了全球广泛关注。本文将深入分析DeepSeek大模型的技术特点、市场表现、行业影响以及未来发展趋势，探讨其对AI行业格局的重塑作用。

关键词：AI大模型、DeepSeek、技术突破、市场表现、行业影响、未来趋势

一、DeepSeek大模型的技术突破与性能优势

DeepSeek在2024年底至2025年初陆续发布了DeepSeek-V3和DeepSeek-R1两款大模型，标志着国产AI大模型在技术层面取得了重大突破。DeepSeek-V3采用自研的MoE架构，拥有6710亿参数，激活370亿参数，并在14.8万亿tokens上进行了预训练。其在多项评测中表现优异，超越了Qwen2.5-72B和Llama-3.1-405B等其他开源模型，性能与GPT-4o和Claude-3.5-Sonnet等顶尖闭源模型相当。

在具体应用场景中，DeepSeek-V3展现了强大的性能。例如，在百科知识任务（如MMLU、GPQA）中，其表现接近当前顶尖的Claude-3.5-Sonnet-1022；在长文本生成任务（如DROP、FRAMES）中，DeepSeek-V3的平均表现超越其他模型；在代码生成方面，尤其是在算法类代码场景（如Codeforces）中，DeepSeek-V3远超其他非o1类模型；在数学能力方面，DeepSeek-V3在美国数学竞赛（AIME 2024）和全国高中数学联赛（CNMO 2024）中大幅领先于所有开源和闭源模型。

DeepSeek-V3在生成速度上也实现了显著提升。通过算法和工程创新，其生成速度从每秒20个Tokens提升至60个Tokens，相比前代模型提升了3倍。在训练成本方面，DeepSeek-V3的训练时长为278.8万H800 GPU小时，训练成本约为557.6万美元。与Meta的Llama 3模型相比，DeepSeek-V3的训练时长仅为前者的约13%，大幅降低了训练成本。这种高效、低成本的训练模式为AI大模型的广泛应用奠定了基础。

二、DeepSeek大模型的市场表现与全球影响力

DeepSeek大模型的发布不仅在技术层面取得了突破，其市场表现也极为亮眼。2025年1月15日，DeepSeek推出了AI助手DeepSeek App，并迅速在全球范围内引发关注。根据新浪财经引用彭博社的报道，DeepSeek App在140个市场中成为下载量最高的移动应用。Appfigures数据显示，该应用在1月26日登上苹果App Store榜首，并一直保持全球第一的位置。此外，DeepSeek App在美国Android Play Store中也占据榜首，并自1月28日以来一直保持该位置。Sensor Tower数据显示，DeepSeek App在发布后的前18天内获得了1600万次下载，几乎是ChatGPT发布时900万下载量的两倍。AI产品榜数据显示，DeepSeek App的日活跃用户（DAU）在上线18天内达到1500万，而ChatGPT达到这一数字用了244天，DeepSeek App的增长速度是ChatGPT的约13到14倍。

DeepSeek大模型的影响力不仅体现在消费端，其在企业级市场的表现同样值得关注。全球范围内，包括英伟达、微软、亚马逊云科技（AWS）在内的国际科技巨头纷纷接入DeepSeek大模型。英伟达宣布其云原生微服务技术NVIDIA NIM已支持DeepSeek-R1；微软将DeepSeek-R1纳入Azure AI Foundry；AWS则允许企业和开发者在其平台上部署DeepSeek-R1模型。在国内，腾讯云、百度云、阿里云等领先云服务平台也迅速跟进，将DeepSeek大模型部署到各自的平台上，为开发者提供便捷的接入和调用服务。

DeepSeek大模型的开源特性也吸引了全球研究机构的关注。例如，中国香港科技大学团队仅用8000个样本就在7B模型上成功复刻了DeepSeek-R1的训练，并取得了优异的性能表现。这种开源模式不仅降低了大模型的开发门槛，也为全球AI技术的普及和发展提供了新的动力。

三、DeepSeek大模型对行业格局的影响与未来趋势

DeepSeek大模型的崛起对全球AI行业格局产生了深远影响。首先，其开源、低成本和高性能的特性大幅降低了大模型的获得、部署和应用成本，加速了大模型在B端和C端应用场景的落地。例如，DeepSeek-V3和DeepSeek-R1的API服务价格远低于市场上的同类产品，如GPT-4o和OpenAI o1系列，这使得更多的企业能够以较低的成本接入AI技术，推动了AI的产业化进程。

DeepSeek大模型的出现对全球大模型产业的竞争格局产生了冲击。其性能与国际顶尖模型相当，但成本更低，这使得国产大模型在全球市场中更具竞争力。同时，DeepSeek大模型的开源模式也为全球AI技术的发展提供了新的思路，推动了技术的快速传播和创新。

在算力需求方面，DeepSeek大模型的高效训练模式虽然在短期内可能对训练算力的增长产生一定的平抑效应，但并不会改变AI算力整体需求向上的态势。相反，推理和端侧算力有望成为未来增长的重点。随着大模型在更多应用场景中的落地，推理端的算力需求将快速增长。例如，巴克莱研报指出，AI推理计算需求将占通用人工智能总计算需求的70%以上。此外，DeepSeek大模型与国产AI芯片的适配也在逐步成熟，这将加速国产AI芯片产业链的成熟，为国产AI芯片产业带来发展机遇。

从未来趋势来看，DeepSeek大模型的多模态能力也在不断提升。例如，DeepSeek发布的开源多模态AI模型Janus-Pro在多模态理解和文本到图像的指令跟踪能力方面取得了重大进步，并在多项基准测试中击败了OpenAI的DALL-E 3和Stable Diffusion。这种多模态能力的提升将进一步拓展大模型的应用场景，推动AI技术在更多领域的创新和应用。